买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华电重工机械有限公司

摘要：一种基于模糊逻辑策略的雾计算任务卸载方法，属于物联网领域，用于高效地卸载智能设备上的任务。包括如下步骤：第1、系统模型的构建：第1.1、车辆雾计算任务卸载模型；第1.2、任务卸载通信模型；第1.3、任务卸载计算模型；第1.4、问题公式化；第2、基于模糊逻辑的Q学习任务卸载算法：第2.1、基于模糊逻辑的车辆权重计算；第2.2、雾计算任务卸载方法设计。本发明在满足任务最大容忍时延和资源可用性的约束条件下，将任务卸载到雾化车辆,减少路边单元的能耗以及响应时间，提高用户服务质量QoS。实验表明，本文提出的任务卸载策略相比于其他算法有着更好的性能。

主权项：1.一种基于模糊逻辑策略的雾计算任务卸载方法，其特征在于该方法主要包括如下步骤：第1、系统模型的构建：第1.1、车辆雾计算任务卸载模型；第1.2、任务卸载通信模型；第1.3、任务卸载计算模型；第1.4、问题公式化；第2、基于模糊逻辑的Q学习任务卸载算法：第2.1、基于模糊逻辑的车辆权重计算；第2.2、雾计算任务卸载方法设计；步骤第1.1中建立了车辆雾计算任务卸载模型，该模型由智能家居设备、路边单元RSU以及移动车辆组成，智能家居设备包括但不限于智能手机、智能门锁、智能摄像头中的一种，由于自身的计算能力有限，这些设备生成的任务不能有效的处理，因此需要将任务卸载到附近的拥有足够的计算资源的雾节点上，在该系统中，智能家居设备倾向将计算密集型任务卸载到附近的路侧单元上，路侧单元中存在调度队列、处理队列和候选车辆列表，调度队列负责做出卸载决策，处理队列中存放的是要在路边单元的边缘服务器执行的任务，候选车辆列表中存放着可以执行卸载任务的雾化车辆信息，当智能家居设备将任务发送到RSU时，RSU根据客观环境做出在边缘服务器本地执行或者分配给特定的候选车辆执行的决策；步骤第1.2中的任务卸载通信模型如下，智能家居设备将自身产生的要卸载的计算密集型任务通过无线连接发送到其附近的RSU，RSU将接收到的任务按照到达时间放入调度队列，根据香农公式可以计算出智能家居设备在时隙t时卸载任务l的上行链路速率为： 其中，参数We表示智能家居设备与RSU之间的带宽，参数Pe表示智能家居设备e的发送功率，参数he是设备e与RSU之间的信道增益，参数d是要卸载任务的智能家居设备与RSU之间的距离，δ是损耗因子，高斯白噪声功率用符号N0表示，那么智能家居设备通过无线连接将任务l卸载到RSU的传输时间表示为： 其中，sizel表示计算任务的大小；RSU可接收其覆盖范围内的雾化车辆周期性的广播信标信息，在每个时隙开始的时候，RSU根据接收到的信标信息，更新候选车辆列表，RSU和移动车辆之间采用无线链路进行通信，根据香农公式可以得出RSU在时隙t向特定的候选雾化车辆v发送数据的速率为： 其中，Wrv表示RSU与特定候选车辆v之间的带宽，参数Pr表示RSU的发送功率，参数hr是RSU与候选车辆v之间的信道增益，参数Dtv是在时隙t路边单元RSU与候选车辆v之间的距离，δ是损耗因子，高斯白噪声功率用符号N0表示；那么RSU在时隙t将任务l发送给特定候选车辆v所需要的时间为： 此外，RSU向移动车辆发送任务采用的是依赖于距离的路径损耗通信模型，在时隙t内，RSUr向车辆v发送任务l的能耗为： 上式中，B表示在时隙t内给定的比特率，φ表示扩展系数，ω代表路径损耗常数；步骤第1.3中任务卸载计算模型如下，RSU上部署的边缘服务器的计算能力以及移动车辆的计算能力均用每秒钟的CPU周期数体现，分别用capr和capv表示，一个CPU周期的执行能耗被认为是μF2，μ是一个系数，取决于芯片架构的开关电容，F表示每秒钟的CPU周期数，如果候选车辆的计算资源不足或者候选车辆列表为空，也就是任务无法卸载到候选车辆，这些任务将会在RSU的边缘服务器本地执行，在本地执行时，RSU需要在任务的最大容忍时延内处理完成任务；步骤第1.4中的问题公式化为：定义指示变量来表示RSU是否在时隙t接收到任务l，如果在时隙t路边单元RSU成功接收到了卸载任务l，并放入调度队列，那么否则另外还定义指示变量来表示候选车辆v是否在RSU的无线电覆盖范围内，如果候选车辆v在RSU的无线电覆盖范围内，那么否则RSU在时隙t做出的决策用指示变量表示，即是否在时隙t将任务l分配给候选车辆v，若RSU决定在时隙t将任务l分配给候选车辆v，那么否则时隙t内RSU的总能耗包括RSU将任务传输给候选车辆的通信能耗以及RSU上的边缘服务器执行卸载任务的计算能耗，表示如下： 其中是1{x}一个二元函数，只有在x为真的情况下，该函数的值才为1，否则为0，指示变量来表示RSU是否在时隙t接收到任务l，时隙t最终的卸载任务的总时延包括智能家居设备上传任务到RSU的时延、RSU本地计算的时延、RSU发送任务到候选车辆的时延以及候选车辆计算的时延，表示如下： 为了使所有时隙中RSU的总能耗以及系统总时延最小，提出的问题表述如下： 因此将任务卸载问题表述成了一个混合整数非线性规划问题，并采用基于模糊逻辑的启发式算法来求解该问题的次优解；步骤第2.1中使用模糊逻辑系统来计算候选车辆的权重，该系统的输入参数为车辆的计算能力、停留时间以及与RSU之间的距离，首先，要把输入值进行归一化，对车辆的计算能力进行归一化，如公式9所示： 对车辆的停留时间进行归一化，如公式10所示： 对车辆到RSU的距离进行归一化，如公式11所示： 模糊逻辑系统有四个阶段：模糊化，隶属度函数，模糊逻辑的决策规则，去模糊化，在模糊化阶段，将车辆的计算能力、停留时间、到RSU的距离三个可以量化的输入参数转化为{low，medium，high},{low，medium，high},{far，middle，near}的语言变量，使用隶属度函数计算出输入值的隶属度，之后，使用模糊规则库，也就是IFTHEN规则来计算出车辆的权重，车辆权重用语言变量{verylow，low，lowmedium，highmedium，high，veryhigh}表示，最后使用中心法去模糊化，计算出车辆的权重，即确定的数值；步骤第2.2所述雾计算任务卸载方法设计描述如下，每个RSU可以独自根据行动-奖励来选择自己的策略，不需要一些先验性知识，Q学习算法是一种与模型无关的单步更新的强化学习算法，以马尔科夫决策过程为理论基础，奖励函数设置为： Q值更新策略设置为：Qst,at←Qst,at+α[rst,at+γmaxQst+1,amax-Qst,at]13算法1车辆最大权重策略的步骤描述如下：步骤1：在RSU覆盖范围内选出个车辆，用集合V表示；步骤2：使用模糊逻辑系统计算V中车辆的权重，用集合WV表示；步骤3：对集合WV中的车辆N个为一组进行组合，形成动作集合A'＝{a|a∈WV且|a|＝N}；步骤4：遍历动作集合A'找到一个权重之和最大的动作，即amax＝MAXA'；步骤5：返回amax；算法2基于模糊逻辑的Q学习任务卸载算法的步骤描述如下：步骤1：初始化Q表、ε、学习率α和折扣因子γ；步骤2：智能体根据对于环境的观察st，使用算法1选择要执行的动作at；步骤3：智能体执行选择的动作，将任务卸载到选择的车辆集合上，根据公式12得到奖励，并观察下一个状态st+1；步骤4：智能体以ε的概率使用贪婪算法在状态st+1下选择要执行的动作amax，以1-ε的概率使用随机策略在状态st+1下选择动作amax；步骤5：使用公式13更新Qst,at；步骤6：将新的环境观测赋值给之前的环境观测，即st←st+1；步骤7：重复执行步骤3-6，直到满足终止条件或者迭代次数到达最大步数要求；步骤8：重复执行步骤2-7，训练模型，直到回合数满足最大回合迭代数要求。

全文数据：

权利要求：

百度查询： 华电重工机械有限公司 一种基于模糊逻辑策略的雾计算任务卸载方法